LLM & Inférence

Fournisseurs LLM et inference : Anthropic, OpenAI, Hugging Face, agents conversationnels.

129 skills

# Skill Source Description Δ
1 open-source browser-use/browser-use Automatiser la navigation web en Python avec des agents IA configurables. 111 268 404
2 claude-api anthropics/skills Construire des applications LLM avec Claude via le SDK officiel adapté au langage. 171 932 136
3 serenity-skill muxuuu/serenity-skill Identifier les maillons rares d'une chaîne d'approvisionnement pour prioriser des opportunités d'investissement. 3 899 33
4 langchain-architecture wshobson/agents Construire des agents IA sophistiqués avec LangChain, LangGraph et gestion d'état. 39 177 17
5 llm-evaluation wshobson/agents Évaluer les performances des LLM via métriques automatisées, jugement humain et A/B testing. 39 177 17
6 prompt-engineering-patterns wshobson/agents Concevoir et optimiser des prompts avancés pour maximiser les performances des LLMs. 39 177 17
7 prompt-master nidhinjs/prompt-master Générer des prompts optimisés et prêts à l'emploi pour chaque outil IA cible. 11 829 17
8 arize-ai-provider-integration github/awesome-copilot Gérer les intégrations LLM dans Arize AI via des commandes CLI dédiées. 38 295 15
9 arize-evaluator github/awesome-copilot Concevoir et exécuter des évaluateurs LLM-as-judge sur la plateforme Arize. 38 295 15
10 arize-instrumentation github/awesome-copilot Instrumenter une application avec le tracing Arize AX via une analyse guidée. 38 295 15
11 arize-link github/awesome-copilot Générer des liens profonds vers l'interface Arize pour traces, spans, datasets et évaluateurs. 38 295 15
12 arize-prompt-optimization github/awesome-copilot Optimiser les prompts LLM en analysant les traces et signaux de performance Arize. 38 295 15
13 arize-trace github/awesome-copilot Exporter et analyser des traces de spans depuis Arize via CLI. 38 295 15
14 doublecheck github/awesome-copilot Vérifier automatiquement les affirmations d'une réponse IA avec sourçage détaillé. 38 295 15
15 phoenix-cli github/awesome-copilot Inspecter traces, spans, sessions et datasets d'agents IA via une CLI Phoenix. 38 295 15
16 phoenix-evals github/awesome-copilot Construire et valider des évaluateurs LLM pour applications IA en production. 38 295 15
17 phoenix-tracing github/awesome-copilot Instrumenter des applications LLM avec Phoenix via le tracing OpenInference. 38 295 15
18 ai-prompt-engineering-safety-review github/awesome-copilot Auditer et améliorer des prompts IA pour la sécurité, les biais et l'efficacité. 38 295 15
19 agentic-eval github/awesome-copilot Implémenter des boucles d'évaluation itératives pour affiner et améliorer les sorties d'agents IA. 38 295 15
20 create-llms github/awesome-copilot Générer un fichier llms.txt conforme aux spécifications depuis la structure d'un dépôt. 38 295 15
21 eval-driven-dev github/awesome-copilot Construire un pipeline d'évaluation automatisé end-to-end pour applications Python utilisant un LLM. 38 295 15
22 microsoft-agent-framework github/awesome-copilot Développer, migrer et orchestrer des agents avec Microsoft Agent Framework. 38 295 15
23 semantic-kernel github/awesome-copilot Développer des intégrations IA robustes avec le framework Semantic Kernel. 38 295 15
24 update-llms github/awesome-copilot Mettre à jour le fichier llms.txt pour refléter la structure actuelle du dépôt. 38 295 15
25 prompt-optimizer github/awesome-copilot Transformer n'importe quelle ébauche en prompt optimisé prêt à l'emploi pour LLM. 38 295 15
26 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider développeurs, migrations et sélection de modèles. 25 217 12
27 openai-docs openai/skills Consulter la documentation officielle OpenAI pour guider le développement et l'intégration d'API. 25 217 12
28 tool-calling-tutor wenyuchiou/awesome-agentic-ai-zh Diagnostiquer et corriger les erreurs d'appel d'outils dans un agent IA. 6 425 11
29 deployment nvidia/model-optimizer Déployer un checkpoint de modèle comme endpoint d'inférence compatible OpenAI. 3 494 6
30 launching-evals nvidia/model-optimizer Lancer, surveiller et analyser des évaluations de modèles IA via NeMo Evaluator. 3 494 6
31 notebooklm teng-lin/notebooklm-py Automatiser Google NotebookLM pour créer, enrichir et interroger des notebooks par code. 18 956 5
32 gemini-api-dev google-gemini/gemini-skills Intégrer et utiliser l'API Gemini avec les SDK officiels à jour. 3 943 4
33 gemini-interactions-api google-gemini/gemini-skills Interagir avec les modèles Gemini via une API unifiée et conversationnelle. 3 943 4
34 gemini-live-api-dev google-gemini/gemini-skills Développer des interactions vocales et vidéo temps réel avec l'API Gemini Live. 3 943 4
35 rag-blueprint nvidia/skills Déployer, configurer et dépanner un pipeline RAG NVIDIA via des workflows automatisés. 3 114 4
36 rag-perf nvidia/skills Benchmarker les performances d'un serveur RAG via une CLI pilotée par YAML. 3 114 4
37 vss-ask-video nvidia/skills Interroger un agent VLM pour analyser visuellement le contenu d'un clip vidéo. 3 114 4
38 nemotron-speech nvidia/skills Déployer et configurer des pipelines ASR, TTS et NMT avec NVIDIA Riva NIM. 3 114 4
39 nemotron-policy-generator nvidia/skills Générer des politiques de sécurité structurées pour les modèles Nemotron Content Safety de NVIDIA. 3 114 4
40 jetson-llm-serve nvidia/skills Déployer un LLM ou VLM sur Jetson avec vLLM ou SGLang via Docker. 3 114 4
41 jetson-package nvidia/skills Sélectionner les conteneurs et wheels Python compatibles GPU pour appareils Jetson NVIDIA. 3 114 4
42 jetson-speculative-decoding nvidia/skills Accélérer la génération de tokens vLLM sur Jetson via le décodage spéculatif EAGLE-3. 3 114 4
43 nemoclaw-user-guide nvidia/skills Consulter la documentation NemoClaw en temps réel via MCP pour configurer et dépanner ses agents IA. 3 114 4
44 nemo-relay-instrument-typed-wrappers nvidia/skills Convertir des types domaine en JSON et inversement via des codecs typés pour l'intégration LLM. 3 114 4
45 nemo-relay-plugin-adaptive-tuning nvidia/skills Optimiser latence, parallélisme et cache d'un agent via le plugin adaptatif NeMo Relay. 3 114 4
46 nemo-relay-get-started nvidia/skills Configurer et tester NeMo Relay via le chemin d'intégration le plus simple possible. 3 114 4
47 rtvi-vlm-customize-model nvidia/skills Configurer et repointer les trois consommateurs VLM du blueprint VSS Alerts indépendamment. 3 114 4
48 nemo-fabric-integrate nvidia/skills Intégrer NeMo Fabric dans une application Python via son SDK typé et sécurisé. 3 114 4
49 langchain-dependencies langchain-ai/langchain-skills Configurer les dépendances LangChain selon les versions et cas d'usage requis. 1 178 3
50 langchain-fundamentals langchain-ai/langchain-skills Construire des agents IA production avec create_agent(), middleware et décorateur @tool. 1 178 3

À propos de cette sélection

L'outillage autour des modèles de langage a mûri vite, mais de façon inégale : certaines briques sont solides, d'autres restent expérimentales ou peu documentées hors des cas standards. Les **skills llm & inférence** de cette section ciblent les devs qui passent de l'expérimentation à la mise en production réelle. Concrètement, ça parle au dev backend Python qui orchestre des appels à Claude ou à des modèles Hugging Face avec gestion fine des tokens et des coûts, et au fullstack TypeScript qui branche un agent conversationnel sur une UI existante. Les contraintes d'inférence, de latence et de traçabilité divergent vite entre ces deux profils. Les skills couvrent aussi l'évaluation de prompts et le monitoring de traces, deux angles souvent négligés dans les tutos d'entrée de gamme.